喜报！荣旗科技与SJTU合作CVPR竞赛成果被正式录用！

5月16日上午， 国际计算机视觉与模式识别顶级学术会议IEEE CVPR的第一届工业检测比赛正式落下帷幕， 荣旗科技与上海交通大学合作参与了VISION

Track 1挑战，其中由上海交通大学与荣旗科技合著的竞赛论文Leveraging Noisy Boundaries for Semi-Supervised Industrial Defect Detection 已被

CVPR第一届视觉工业检测workshop正式录用，并作为研讨会成果进行墙报展示。

竞赛名称：

VISION Track 1:Data Efficient Defect Detection

竞赛简介：

VISION Track 1挑战赛旨在探索基于视觉的工业缺陷检测的独特挑战。本次竞赛的特点是来自roboflow.com的14个工业检测数据集，涵盖了广泛的制造工

艺、材料和行业。解决方案将面临的挑战是如何有效地学习有限的标记数据和未标记数据，并将在所有14个数据集上进行评估，这些数据集包含来自不同行

业和背景的不同图像。最终的评估度量将被设计为考虑缺陷检测的完整性和缺陷实例分割的准确性。

研究动机：

工业场景上获得大量有标注的缺陷图像数据是十分困难的，既代价昂贵，又费时费力。在没有制造商规格表的情况下，如何利用有限标注数据进行精确的缺

陷检测？同时避免修改原始的缺陷决策。竞赛的缺陷数据场景为涵盖不同制造工艺、材料和行业的14个类别的工业检测数据集，例如电容器、PCB电路板、

Console接口、透镜、木材、铸件、螺丝等。

研究方法:

在本次竞赛中，我们把数据高效的工业缺陷检测形式化为半监督的实例分割任务，并提出了一种新颖的半监督学习模型。我们的方法利用有限的有标注数据

和丰富的未标注数据来提高缺陷检测的实例分割性能。我们构建了一个耐噪声的边界学习框架，该框架将像素级伪标签分配给未标记的图像，并提出了一个

耐噪声掩码头以及一个边界保持图，以有效地处理与伪标签相关的噪声边界。本文所提的方法在工业检测应用中实现了较好的缺陷检测性能。大量的实验结

果表明，我们的方法可以与最先进的竞争对手相媲美。

本文的贡献点:

1）提出了一种创新的耐噪声边界学习的半监督训练框架，充分利用了未标记缺陷数据以应对数据高效的工业缺陷检测挑战;

2）提出了一种低分辨率和高分辨率结合的容噪掩码头，可以有效地抑制边界区域的噪声;

3）提出了一种边界保持图，它可以同时增强与边界相关的区域，同时抑制噪声过多的区域，从而获得更精确的分割边界。

竞赛总结及未来改进:

在14个数据集的大量实验结果证明了本文提出的方法的有效性，同时也证明了我们针对工业缺陷场景探索的一些数据训练技巧的有效性。在未来研究中，

所提的方法可以通过使用更好的监督教师模型来生成更优质的伪标签和设计更鲁棒的自训练学习策略来改进。